基于机器学习模型预测磷缺乏胁迫条件下的玉米籽粒产量

《BMC Plant Biology》：Prediction of maize grain yield under phosphorus deficiency stress conditions with machine learning models

　　

摘要

背景

玉米是一种重要的全球作物，磷（P）影响其代谢过程和生长表现。准确的产量预测对农业规划和管理至关重要。本研究调查了机器学习模型的应用，例如支持向量机、多层感知机、径向基函数、混合模型（即灰狼优化 - 支持向量回归 [SVR-GWO]）和 SVR，以预测正常和磷缺乏胁迫条件下的玉米籽粒产量。

结果

为此，使用了一个数据集，其中包括受控土壤磷水平实验中的玉米生长参数和种子产量。每个模型的输入是通过输入多元回归模型的变量选定的。模型的性能使用统计标准进行评估，例如平均绝对百分比误差、均方根误差、平均绝对误差和决定系数。SVR-GWO 混合模型的表现优于其他模型，并展示了其在预测正常和磷缺乏胁迫条件下的玉米籽粒产量方面的优势和准确性。敏感性分析确定收获指数（HI）是影响种子产量最重要的变量。

结论

此外，将百粒重、总植株重量（BY1）和 HI 结合作为 SVR-GWO 模型中的共同输入，导致了预测玉米籽粒产量的高准确性和灵活性，减少了产量建模中测量更多参数的需要。这些结果表明，SVR-GWO 模型是一个强大的工具，能够从减少的收获阶段特征集中准确估计玉米籽粒产量。这突出了其在收获后产量成分分析中的实用价值，而不是用于前瞻性的早期季节产量预测。